随着时间的推移，能够“学习”或提高性能。给定一个特定的输入，确定性算法将始终通过相同的步骤序列产生相同的输出。然而，学习类型将根据之前输入数据和输出之间关系的示例来学习预测输出。与正确排序按字母顺序排列的列表的确定性算法不同，今天运行互联网的许多算法不一定有一个容易定义的、正确的结果。我在这里所指的各种算法和技术被称为机器学习，本质上是我们现在可以对计算机进行编程，使其自行学习的概念(Domingos,2015)。与传统编程严格的逻辑规则相比，机器学习是关于编写程序，从示例中学习解决问题。而以前的程序员必须编写所有的“if”’…而机器学习算法让计算机从大量训练样本中学习规则，而无需明确编程。为了帮助达到目标目标，算法在数据语料库上进行“训练”，它们可能会从中“学习”，在没有人类监督的情况下做出某些类型的决策。机器不像人类那样学习，尽管使用的许多算法是基于人工神经网络的，它们的灵感来自于大脑深层架构的结构和功能方面(Hecht-Nielsen,1988)。机器所做的那种学习应该从更功能的意义上理解：“它们有能力通过经验改变自己的行为来提高自己在某些任务上的表现”(Surden, 2014: 89)。
机器学习算法有很多不同的风格。和人类一样，机器本身也以不同的方式学习算法最常用的学习方式之一被称为监督式学习。本质上是一种归纳学习方法，算法被赋予一个训练集，其中包含工程师希望算法检测并与新数据进行比较的特征(Flach,2012)。重要的是，训练集包括关于期望输出的数据。当训练数据不包括关于期望输出的数据时，这种方法被称为无监督学习。通常，机器学习算法可能介于两者之间:数据只包含一些期望的输出，这也被称为半监督学习(Domingos,2015)在将算法应用于从数据中学习之前，必须构建模型来形式化任务和目标，以便计算机可以对其进行处理。例如，在算法能够执行查找最重要的新闻提要故事的任务之前，必须创建模型来表示新闻和相关性之间的关系。正如Mackenzie所言：
机器学习的技术几乎都围绕着对数据进行转换、构建或施加某种形状的方法，并利用这种形状来发现、决定、分类、排序、聚类、推荐、标记或预测正在发生或将要发生的事情。(2015: 432)
24
IF . . . THEN